IBM פותחת ערכת כלים להצפנה הומומורפית עבור לינוקס

חברת IBM הוכרז על פתיחת טקסטי המקור של ערכת הכלים FHE (IBM Fully Homomorphic Encryption) עם הטמעת מערכת הצפנה הומומורפית מלאה לעיבוד נתונים בצורה מוצפנת. FHE מאפשרת ליצור שירותים למחשוב סודי, בהם הנתונים מעובדים מוצפנים ואינם מופיעים בצורה פתוחה בשום שלב. התוצאה נוצרת גם מוצפנת. הקוד כתוב ב-C++ ו מופץ על ידי תחת רישיון MIT. בנוסף לגרסה עבור לינוקס, ערכות כלים דומות עבור MacOS и iOS, כתוב ב-Objective-C. פרסום גרסה עבור אנדרואיד.

FHE תומך מלא פעולות הומומורפיות המאפשרות לך לבצע חיבור והכפלה של נתונים מוצפנים (כלומר, אתה יכול ליישם כל חישוב שרירותי) ולקבל תוצאה מוצפנת בפלט, שתהיה דומה להצפנת התוצאה של הוספה או הכפלה של הנתונים המקוריים. הצפנה הומומורפית יכולה להיחשב כשלב הבא בפיתוח של הצפנה מקצה לקצה - בנוסף להגנה על העברת נתונים, היא מספקת את היכולת לעבד נתונים מבלי לפענח אותם.

בפן המעשי, המסגרת עשויה להיות שימושית לארגון מחשוב ענן סודי, במערכות הצבעה אלקטרוניות, בפרוטוקולי ניתוב אנונימיים, לעיבוד מוצפן של שאילתות ב-DBMS, להדרכה סודית של מערכות למידת מכונה. דוגמה ליישום של FHE היא ארגון ניתוח מידע על מטופלים של מוסדות רפואיים בחברות ביטוח מבלי שחברת הביטוח השיגה גישה למידע שיכול לזהות מטופלים ספציפיים. גַם מוּזְכָּר פיתוח מערכות למידת מכונה לאיתור עסקאות הונאה בכרטיסי אשראי על בסיס עיבוד של עסקאות פיננסיות אנונימיות מוצפנות.

ערכת הכלים כוללת ספריה HElib עם יישום של מספר תוכניות הצפנה הומומורפית, סביבת פיתוח משולבת (העבודה מתבצעת באמצעות דפדפן) ומערכת של דוגמאות. כדי לפשט את הפריסה, הוכנו תמונות docker מוכנות המבוססות על CentOS, Fedora ואובונטו. זמינות גם הוראות להרכבת ערכת הכלים מקוד המקור והתקנתו במערכת מקומית.

הפרויקט מתפתח מאז 2009, אך רק כעת ניתן היה להשיג מדדי ביצוע מקובלים המאפשרים שימוש מעשי. יצוין כי FHE מנגישים חישובים הומומורפיים לכולם; בעזרת FHE יוכלו מתכנתים ארגוניים רגילים לבצע את אותה עבודה בדקה שדרשה בעבר שעות וימים כאשר מעורבים מומחים בעלי תואר אקדמי.

בין שאר ההתפתחויות בתחום המחשוב הסודי ניתן לציין פרסום הפרויקט OpenDP עם יישום שיטות פרטיות דיפרנציאלית, המאפשר לבצע פעולות סטטיסטיות על מערך נתונים בדיוק גבוה מספיק ללא יכולת לזהות רשומות בודדות בו. הפרויקט פותח במשותף על ידי חוקרים ממיקרוסופט ומאוניברסיטת הרווארד. המימוש כתוב ב- Rust ו- Python ו מסופק תחת רישיון MIT.

ניתוח באמצעות שיטות פרטיות דיפרנציאליות מאפשר לארגונים לבצע דגימות אנליטיות ממאגרי מידע סטטיסטיים, מבלי לאפשר להם לבודד את הפרמטרים של אנשים ספציפיים ממידע כללי. לדוגמה, כדי לזהות הבדלים בטיפול בחולים, ניתן לספק לחוקרים מידע המאפשר להם להשוות את משך השהות הממוצע של חולים בבתי חולים, אך עדיין שומר על סודיות החולה ואינו מדגיש את המידע על המטופל.

שני מנגנונים משמשים להגנה על מידע אישי או סודי שניתן לזהות: 1. הוספת כמות קטנה של "רעש" סטטיסטי לכל תוצאה, אשר אינה משפיעה על דיוק הנתונים שחולצו, אלא מסווה את התרומה של רכיבי נתונים בודדים.
2. שימוש בתקציב פרטיות המגביל את כמות הנתונים המופקים עבור כל בקשה ואינו מאפשר בקשות נוספות העלולות להפר את הסודיות.

מקור: OpenNet.ru